文章速递

近日，《表型组学（英文）》（Phenomics）在线发表了浙江大学周展/陈枢青/赵文彬研究团队题为“Artificial Avidity Optimization of T-cell Receptors by Integrating Deep Learning Model and Mammalian Cell Surface Display”的研究论文。该研究将深度学习模型与哺乳动物细胞表面展示技术相结合，建立了一套用于 T 细胞受体（TCR）人工亲和力优化的新策略，为提升 TCR 识别抗原的能力及其在TCR-T 细胞免疫治疗中的应用潜力提供了新的技术路径。

该研究对肽-人白细胞抗原（pHLA）的结合适应度景观进行了分析，系统评估了流感病毒基质蛋白抗原肽（58–66）-HLA-A*02:01 靶向 TCR 互补决定区3（CDR3）中每个氨基酸的结合特性，并在经 pHLA 筛选后的人胚胎肾 293T 细胞展示的定点突变文库上进行深度测序，从而生成独特的训练数据以构建深度学习模型。基于此预测并鉴定出20个具有抗原特异性的变体以及3个亲和力增强的变体，实现了原始TCR的高效亲和力优化。

论文DOI链接：

https://doi.org/10.1007/s43657-025-00295-w

论文引用格式：

Wei, M., Bai, S., Chen, W. et al. Artificial Avidity Optimization of T-cell Receptors by Integrating Deep Learning Model and Mammalian Cell Surface Display. Phenomics (2026). https://doi.org/10.1007/s43657-025-00295-w

研究背景

TCR 能够特异性识别由主要组织相容性复合体（MHC，人类MHC又称为人类白细胞抗原，HLA）呈递的抗原肽，并进一步激活 T 细胞免疫反应。由于天然 TCR 与抗原肽-HLA 复合物之间的结合能力通常较弱，其在肿瘤免疫治疗等应用中的效能可能受到限制。目前，研究人员通常借助噬菌体展示、酵母展示或哺乳动物细胞展示等技术，对 TCR 进行定向进化和亲和力优化。然而，传统展示技术往往需要构建和筛选规模庞大的突变文库，实验成本较高，筛选过程也可能存在一定的随机性。深度学习模型为蛋白质序列设计和功能预测提供了新的解决方案，但 TCR 亲和力优化领域长期面临训练数据不足的问题。

针对这一瓶颈，本研究通过实验筛选获得高质量突变数据，并利用这些数据训练深度学习模型，从而实现实验筛选与计算预测的协同整合。

研究结果

一、建立单点突变筛选体系，获得可用于模型训练的TCR序列数据

首先以识别流感病毒抗原肽 GILGFVFTL/HLA-A*02:01 的 JM22 TCR 为对象，在 TCRα 链和 β 链的 CDR3 区域构建单点饱和突变文库，并通过慢病毒转导将不同 TCR 变体展示于哺乳动物细胞表面。随后，使用 pHLA 四聚体对细胞文库进行多轮磁珠富集，并通过深度测序计算不同突变体在筛选前后的富集程度，建立 TCR 序列与抗原结合能力之间的对应关系。

流式细胞术结果显示，经过筛选后，同时表达 TCR 并结合 pHLA 的细胞比例由原始文库中的 23.7% 提高至 93.4%，表明该筛选体系能够有效富集具有抗原结合能力的 TCR。基于获得的序列和功能数据，进一步构建了BiLSTM和Transformer模型。在单点突变数据测试中，TCRevo-Transformer 的 ROC-AUC  达到0.8808，TCRevo-BiLSTM达到0.8673，整体表现优于或接近 NetTCR 等已有模型。实验验证发现，CDR3β 中的 S97I 和 S100A 等突变仍能保持较强的 pHLA 结合能力，而S99F、Q103A 等突变则明显削弱结合。

图1 深度学习模型与深度突变扫描技术绘制了JM22的pHLA结合适应度景观，并能准确区分核心氨基酸残基

二、通过双位点突变文库迭代训练模型，提高组合突变预测能力

完成单点突变分析后，进一步考察了多个突变同时存在时可能产生的协同或拮抗效应。根据单点筛选结果，选取 CDR3β 中的 S97、S100、E102和 Y104 等关键位置，设计并构建包含不同位点组合的双点突变文库。该文库同样在哺乳动物细胞表面表达，并连续接受三轮 pHLA 结合筛选。流式分析显示，双点突变文库中同时表达 TCR 并结合 pHLA 的细胞比例持续上升：由原始文库中的约 5.04% 提高至第一轮筛选后的 16.10%，第二轮达到 54.4%，第三轮进一步升至 73.1%。这一变化说明，连续筛选能够有效富集具有抗原结合能力的组合突变体。

双点突变文库的深度测序数据随后被用于更新基于单点突变数据建立的模型，形成 TCRevo-sm 模型。与原始模型相比，优化后的 BiLSTM 和Transformer 模型能够更明显地区分结合型与非结合型双点变体。进一步的独立实验显示，S97Iβ-Y104Fβ、S100Aβ-Y104Wβ 和 S97Iβ-Y104Iβ等变体保持了较好的剂量依赖性 pHLA 结合，而部分组合突变体几乎完全丧失结合能力。

图2  基于深度学习的双位点组合文库设计及pHLA介导的文库筛选

三、模型能够从大规模多位点序列空间中筛选抗原结合型TCR

利用双点突变筛选数据对模型进行再次优化后，形成了面向多位点突变预测的 TCRevo-tm 模型，并将其用于分析更加复杂的 CDR3β 序列组合。模型比较结果显示，在多位点变体测试中，TCRevo-BiLSTM 的整体预测能力优于 NetTCR、ATM-TCR、pMTnet、TCRconv 和 TITAN 等对照方法，其 ROC-AUC 达到0.7851。

随着单点和双点突变实验数据逐步加入训练集，模型性能得到进一步提升。其中，BiLSTM模型的ROC-AUC由0.7917和0.8007进一步提高至0.8473，平均精确率由约0.2662提高至0.3920；Transformer模型的ROC-AUC 也由 0.6515 提高至 0.7063。这说明，逐步引入不同复杂程度的实验数据，有助于模型学习多个突变位点之间的关联，并提高其对复杂序列的识别能力。根据模型给出的预测排名，筛选出一批多位点候选序列，并通过细胞表面 pHLA 染色逐一验证。最终共鉴定出20个能够保持抗原特异性结合的 TCR 变体，其中3个变体表现出增强的结合能力。部分同时包含S97、S100、E102 和 Y104等位点突变的TCR，在 pHLA 染色中呈现出高于野生型或向高信号区域右移的结合峰，并在不同抗原浓度下表现出稳定的剂量依赖性。

图3  深度学习框架的验证及其在多位点突变预测中的应用

四、自由能计算和结构分析揭示部分有利突变增强结合的可能机制

为验证实验结果并解释候选突变体结合能力变化的结构基础，进一步采用自由能微扰计算，评估部分单点和双点突变引起的 TCR-pHLA 结合自由能变化。计算结果显示，单点突变 S97I 和 S97V 具有较为明显的负结合自由能变化，提示这两种突变可能提高 TCR 与 pHLA 复合物的结合稳定性。相比之下，S97L 和 Y104W 产生的影响相对较小，Y104F则未表现出明显优势。在双点突变中，S97I/Y104F呈现出较为有利的自由能变化；但S97I/Y104W、S100A/Y104W 和 S100A/E102V 等组合的计算结果相对较弱，或表现出较大的波动。

分子动力学模拟进一步比较了野生型 TCR 与 S97I 变体的界面接触特征。结果显示，两者主要识别抗原肽中部的 p4G、p5F、p6V 和 p8T 等残基，但 S97I 突变改变了 CDR3β 局部界面以及部分肽残基的埋藏表面积和接触概率。这些变化可能使 TCR 与抗原肽之间形成更加有利的疏水作用或空间匹配，从而增强复合物的结合稳定性。

整体来看，自由能计算与实验筛选结果呈现出基本一致的趋势，并从结构层面对部分优势变体的结合能力变化作出了解释。同时，相关结果也表明，将模型预测、细胞实验和分子模拟相结合，可以从序列、功能和结构等多个层面交叉验证候选变体，从而提高 TCR 工程化设计与改造的可靠性。

图4  JM22变体的结合自由能结果

研究结论

本研究建立了一个结合深度学习模型与哺乳动物细胞展示技术的高通量 TCR 工程平台，并成功将其应用于靶向 HLA-A2–flu 的 JM22 TCR 亲和力优化。通过利用 DMS 和预测模型对 pHLA 结合适应度图谱进行分析，准确识别出 TCR–pHLA 结合界面中的关键残基位点。随后，利用 DMS 数据重新训练深度学习模型，指导双位点突变文库的设计。基于 pHLA 筛选和深度测序获得的双位点变异体富集比例，进一步优化了预测模型，实现了对多部位组合变异体的精确预测。最终，通过计算理性设计鉴定了两个亲和力增强型变异体和一个活性增强型变异体，而 FEP 计算所得候选变异体的结合亲和力结果也与实验一致。

本研究证明，利用哺乳动物细胞展示技术产生的高通量结合数据训练的深度学习模型，能够从庞大的 TCR 序列多样性中高效识别出优化后的变异体。此外，深度学习模型仅利用序列数据即可促进 TCR 亲和力的优化。总体而言，本研究为在有限公共数据条件下智能进化 TCR 提供了一种新范式，并为工程化治疗性 TCR 的设计提供了合理的策略。

Abstract

Weak binding avidity restricts the application of natural T-cell receptors (TCRs) as therapeutic agents. Currently, display technologies have been extensively utilized for avidity optimization of TCRs, yet they tend to be resource-intensive and random. Deep learning models have emerged as promising tools capable of surmounting the constraints of experimental screening. However, the lack of training data has hampered their application in avidity optimization of TCRs. In this study, we profiled peptide–human leukocyte antigen (pHLA) binding fitness landscapes, surveying each amino acid in complementarity-determining region 3 of an influenza matrix peptide (58–66)–HLA-A*02:01 targeting TCR, and performed deep sequencing on the site-directed mutant libraries displayed in human embryonic kidney 293T cells after pHLA screening, to generate unique training data for deep learning models. The fully trained model was subsequently employed to screen a computationally generated multi-site variant library and predict the antigen-specific optimized TCR candidates. Finally, twenty variants with antigen specificity and three variants with enhanced avidity were identified. The binding affinity calculated by free energy perturbation demonstrated consistent results. The integration of deep learning models and mammalian cell display allows for investigation of any residue within the TCR–antigen interface and a larger accessible sequences of TCRs, leading to an efficient avidity optimization of TCRs.

作者简介

周展，浙江大学药学院副教授、博士生导师。兼任中国医药教育协会抗肿瘤用药研究与评价分会委员，浙江省生物信息学学会理事、浙江省药理学会理事等。研究方向聚焦智能药学与系统药学，利用组学大数据和人工智能技术识别肿瘤驱动基因和新抗原靶点，并开展免疫受体类生物药物设计研究。主持和参与多项国家自然科学基金、国家重点研发计划等科研项目，在Nat Commun、Nucleic Acids Res、Adv Sci、Mol Biol Evol、Mol Ther 等学术期刊发表论文100余篇，授权发明专利和软件著作权30余项。获浙江省科技进步三等奖、浙江省药学会科学技术一等奖。

陈枢青，浙江大学药学院教授、博士生导师。兼任中国药理学会药物基因组学专业委员会常委、浙江省药学会生物制药专业委员会名誉主任委员。长期从事精准医学与生物技术药物研究。聚焦抗体偶联药物及个体化肿瘤疫苗研发，构建从计算预测、实验验证到临床转化的研究体系，并积极促进相关技术的成果转化与产业化应用，主持研发的个性化肿瘤疫苗研发已进入II期临床研究。在Cell、STTT、Nat Commun、Adv Mater等学术期刊发表论文240余篇，主编参编专著和教材16部。主持获浙江省自然科学二等奖1次，三等奖1次；浙江省科技进步二等奖1次，三等奖2次。

赵文彬，浙江大学智能创新药物研究院百人计划研究员、博士生导师。兼任浙江省药理学会理事、浙江省药学会精准药学专委会及生物制药专委会委员等。主要从事T细胞免疫及生物大分子药物研发。主持国自然面上、省自然重大、国自然青年等项目共6项。在Cell、Sci Adv、Protein Cell、Mol Ther等学术期刊发表论文30余篇，参编ADC相关中英文专著各1本。获浙江省药学会科学技术一等奖、浙江省博士后创新创业大赛铜奖。

第一作者

魏蒙蒙，浙江大学计算机科学与技术学院，博士。

白晟佐，浙江大学药学院/工程师学院，硕士。

支持单位：